Graph RL 101 Paper (#3)

<aside> 🌟 Goal

다양한 형태의 Graph와 그에 따라 달라지는 Graph Representation Learning (RL) 모델들을 파악함. 특히, Homogeneous Graph, Heterogeneous Graph, Knowledge Graph에 대해 집중적으로 학습함
Graph RL에 대한 핵심적인 논문들을 읽고 리뷰함
- [2017][DEB][-] Representation,[2017][TKDE][-] Knowledge,[2021][FTML][-] Graph
- word2vec, translation, graph convolution, aggregation, attention 방식을 기반으로 하는 모델들의 차이점을 이해함
- 각 모델의 non-pretained/pretrained, shallow/complex embedding 등을 구분할 수 있음
Graph RL을 활용한 다양한 응용을 살펴봄. 자연어처리, 추천시스템, 그래프 분류, 생성과 같은 다양한 분야에서의 응용을 확인하고, 이러한 응용을 위한 Graph RL 학습 모델 설계를 할 줄 알아야 함 </aside>

<aside> 🌟 Ground Rule

각자 할당된 논문을 읽고 각 주차에 해당하는 Content 내에 Notion 페이지를 만들거나 PPT를 만들어서 업로드함. 그리고, 각 페이지 맨 위 Comment에 의견/시사점/내용 등을 3줄 정도로 요약 및 정리
각 주차에 논문을 읽고, 위의 Survey 논문들과 연결 지어 생각해 봄. 가능하다면 관련되거나 흥미로운 논문을 추가적으로 찾아보고 제시함
매주 두 명의 발표자가 논문 한편씩을 할당받아서 발표함. 참여자는 강의를 듣고 공부하는 과정에서 공유하고자 하는 자료가 있다면 자유롭게 Materials나 Resource에 추가하면 됨 </aside>

<aside>

**Datasets

Citation Networks**: Cora, Citeseer, Pubmed - social networks: Reddit - Protein-Protein Interaction Networks: PPI

</aside>

<aside>

🔥 Paper 관계형에 연결된 논문을 확인하고, ReadingLog 관계형에 각자 할당된 논문을 정리하면 됩니다. **** (다양한 리뷰자료들을 활용해 이해해도 되지만, 최종적으로는 논문을 꼭 확인해보세요.)

</aside>

<aside>

⚠️ 정리에 활용한 리뷰자료들을 관계형으로 연결된 Paper·Book DB 페이지에 리스트업!!!

</aside>

<aside>

⚠️ 스터디가 끝난 후에는, 1~2주 안에 Comments에 논문 관련 코멘트를 꼭 작성하세

</aside>